University of Kassel
Knowledge & Data Engineering Group

Fachgebiet Wissensverarbeitung (KDE), EECS, Universität Kassel

“So wie sich Landkarten für die Navigation in Landschaften etabliert haben, untersuchen wir den Einsatz diskreter und algebraischer Strukturen für die Navigation in Wissenslandschaften.”

Das Fachgebiet Wissensverarbeitung des Fachbereichs Elektrotechnik/Informatik forscht an der Entwicklung von Methoden zur Wissensentdeckung und Wissensrepräsentation (Approximation und Exploration von Wissen, Ordnungsstrukturen in Wissen, Ontologieentwicklung) in Daten als auch in der Analyse von (sozialen) Netzwerkdaten und damit verbundenen Wissensprozessen (Metriken in Netzwerken, Anomalieerkennung, Charakterisierung von sozialen Netzwerken). Dabei liegt ein Schwerpunkt auf der exakten algebraischen Modellierung der verwendeten Strukturen und auf der Evaluierung und Neuentwicklung von Netzwerkmaßen. Neben der Erforschung von Grundlagen in den Gebieten Ordnungs- und Verbandstheorie, Beschreibungslogiken, Graphentheorie und Ontologie werden auch Anwendungen – bspw. in sozialen Medien sowie in der Szientometrie – erforscht.

Das Fachgebiet Wissensverarbeitung ist Mitglied im Wissenschaftlichen Zentrum für Informationstechnik-Gestaltung (ITeG) der Universität Kassel, im Wissenschaftlichen Zentrum INCHER der Universität Kassel, im Forschungszentrum L3S und im Hessischen KI-Zentrum (hessian.AI).

Testen Sie unser Social-Bookmark-System BibSonomy sowie unsere Namens-Suchmaschine Nameling!

Promotionsstelle – Bewerbungsfrist 22.03.2023

Zum nächstmöglichen Zeitpunkt suchen wir im Rahmen des Forschungsprojekts “Towards Ordinal Data Science” eine*n wissenschaftliche*n Mitarbeiter*in.

Unsere neusten Publikationen

  • Ganter, B., Hanika, T., Hirth, J.: Scaling Dimension, https://arxiv.org/abs/2302.09101, (2023).
    URLBibTeXEndNoteDOI
  • Hanika, T., Hirth, J.: Conceptual Views on Tree Ensemble Classifiers CoRR. abs/2302.05270, (2023).
    URLBibTeXEndNoteDOI
  • Felde, M., Stumme, G.: Interactive collaborative exploration using incomplete contexts Data & Knowledge Engineering. 143, 102104 (2023).
    URLBibTeXEndNoteDOI
  • Stubbemann, M., Hanika, T., Schneider, F.M.: Intrinsic Dimension for Large-Scale Geometric Learning Transactions on Machine Learning Research. (2023).
    URLBibTeXEndNote
  • Hanika, T., Hirth, J.: On the lattice of conceptual measurements Information Sciences. 613, 453–468 (2022).
    URLBibTeXEndNoteDOI
  • Hirth, J., Hanika, T.: Formal Conceptual Views in Neural Networks, http://arxiv.org/abs/2209.13517, (2022).
    URLBibTeXEndNote
  • Stubbemann, M., Hanika, T., Schneider, F.M.: Intrinsic Dimension for Large-Scale Geometric Learning, https://arxiv.org/abs/2210.05301, (2022).
    URLBibTeXEndNote
  • Felde, M., Koyda, M.: Interval-Dismantling for Lattices, https://arxiv.org/abs/2208.01479, (2022).
    URLBibTeXEndNoteDOI
  • Schäfermeier, B., Hirth, J., Hanika, T.: Research Topic Flows in Co-Authorship Networks, https://doi.org/10.1007/s11192-022-04529-w, (2022).
    URLBibTeXEndNoteDOI
  • D{{ü}}rrschnabel, D., Hanika, T., Stubbemann, M.: {FCA2VEC:} Embedding Techniques for Formal Concept Analysis In: Missaoui, R., Kwuida, L., and Abdessalem, T. (eds.) Complex Data Analytics with Formal Concept Analysis. pp. 47–74. Springer International Publishing (2022).
    URLBibTeXEndNoteDOI
  • Felde, M., Stumme, G.: Attribute Exploration with Multiple Contradicting Partial Experts In: Braun, T., Cristea, D., and J{ä}schke, R. (eds.) Graph-Based Representation and Reasoning. pp. 51–65. Springer International Publishing, Cham (2022).
    BibTeXEndNoteDOI
  • Dürrschnabel, D., Hanika, T., Stumme, G.: Discovering Locally Maximal Bipartite Subgraphs, http://arxiv.org/abs/2211.10446, (2022).
    URLBibTeXEndNote
  • Hanika, T., Schneider, F.M., Stumme, G.: {Intrinsic dimension of geometric data sets} Tohoku Mathematical Journal. 74, 23–52 (2022).
    URLBibTeXEndNoteDOI
  • Stubbemann, M., Stumme, G.: LG4AV: Combining Language Models and Graph Neural Networks for Author Verification In: Bouadi, T., Fromont, E., and H{ü}llermeier, E. (eds.) Advances in Intelligent Data Analysis XX. pp. 315–326. Springer International Publishing, Cham (2022).
    URLBibTeXEndNote
  • Schäfermeier, B., Stumme, G., Hanika, T.: Mapping Research Trajectories, https://arxiv.org/abs/2204.11859, (2022).
    URLBibTeXEndNoteDOI
  • Schäfermeier, B., Stumme, G., Hanika, T.: Towards Explainable Scientific Venue Recommendations, http://arxiv.org/abs/2109.11343, (2021).
    URLBibTeXEndNote
  • Schaefermeier, B., Stumme, G., Hanika, T.: Topic space trajectories Scientometrics. 126, 5759–5795 (2021).
    URLBibTeXEndNoteDOI
  • Schaefermeier, B., Stumme, G., Hanika, T.: Topological Indoor Mapping through WiFi Signals (2021).
    URLBibTeXEndNote
  • Schäfermeier, B., Hanika, T., Stumme, G.: Distances for WiFi Based Topological Indoor Mapping 16th EAI International Conference on Mobile and Ubiquitous Systems: Computing, Networking and Services (MobiQuitous), November 12--14, 2019, Houston, TX, USA (2019).
    BibTeXEndNoteDOI